[发明专利]一种基于二次评价的软件质量评价方法及系统

权利要求书

1.一种基于二次评价的软件质量评价方法，其特征在于，包括：

选取软件质量评价指标空间，构建软件质量评价结果识别框架；

按照软件质量评价指标空间和软件质量评价结果识别框架采集样本数据以及采集待评价软件的软件质量评价指标数据；

确定BP神经网络的个数，按照所述软件质量评价指标空间和所述软件质量评价结果识别框架确定每个BP神经网络的拓扑结构；

对于每个BP神经网络，将样本数据划分为训练样本集、测试样本集，利用训练样本集对BP神经网络进行训练，利用测试样本集计算各BP神经网络的可信度，包括：将样本数据集D按照公式：划分为S个大小相似的互斥子集，每次用S-1个子集的并集作为训练样本集，剩下的子集作为测试样本集，从而获得S组训练样本集和测试样本集，对BP神经网络进行S次训练、S次测试，根据S次测试结果计算BP神经网络的可信度；

将待评价软件的质量评价指标数据分别输入到训练好的各BP神经网络，根据BP神经网络的输出结果得到初步评价结果，包括：

通过如下公式获取初步评价结果C_ij表示BP神经网络C_i的第j(j＝1,2，…，N)个节点的输出结果；

结合BP神经网络的可信度对初步评价结果进行修正处理，生成识别框架中各命题的基本概率赋值分配，利用DS证据理论对各证据进行融合，获得融合结果；

基于决策准则对融合结果进行决策生成最终评价结果；

其中，根据S次测试结果计算BP神经网络的可信度，包括：

采用下述公式作为仅使用BP神经网络对测试样本进行软件质量评价时的评估准则，其中，分别为BP神经网络C_i归一化后的输出结果，ε_i为预设的阈值，ε_i∈(0,1)；若不满足下述公式，则拒绝给出评价结果；

按照下述公式计算BP神经网络的可信度，

Num_k＝α_k+β_k+γ_k；

其中，θ_i为BP神经网络的可信度，θ_i∈[0,1]；Num_k为序号为k的测试样本集的样本总数，α_k为BP神经网络评价正确的测试样本个数，β_k为BP神经网络评价错误的测试样本个数，γ_k为BP神经网络拒绝给出评价结果的测试样本个数；

所述确定BP神经网络的个数，按照所述软件质量评价指标空间和所述软件质量评价结果识别框架确定每个BP神经网络的拓扑结构包括：

确定BP神经网络的个数L；

确定BP神经网络C_i(i＝1,2,…,L)的拓扑结构；

其中，拓扑结构中隐含层的层数设定为1，输入层的节点数等于评价指标空间U中评价指标的个数M，输出层的节点数等于软件质量评价结果识别框架Θ中命题的个数，即评价结果的评价等级数N，隐含层的节点数为根据公式和学习训练结果相结合来确定的，其中，i为输入层的节点数，o为输出层的节点数，a为[1,10]区间内的整数；

确定BP神经网络的激活函数、学习算法；

所述结合BP神经网络的可信度对初步评价结果进行修正处理，生成识别框架中各命题的基本概率赋值分配，利用DS证据理论对各证据进行融合，获得融合结果包括：

结合BP神经网络C_i(i＝1,2,…,L)的可信度θ_i对初步评价结果进行修正处理，生成证据E_i(i＝1,2,…,L)的基本概率赋值分配E_i＝(m_i(A₁),m_i(A₂),…,m_i(A_N),m_i(Θ))，其中：

利用DS证据理论对各证据E_i进行融合，获得融合结果F。